Sentimentanalyse

Einfacher ausgedrückt klassifiziert die Sentimentanalyse Texte als positiv, negativ oder neutral.

Traditionelle Kennzahlen wie die Anzahl der Aufrufe, Klicks, Likes, Shares, Kommentare usw. konzentrieren sich auf die Quantität. Das Sentimentanalyse-System geht über Zahlen hinaus und konzentriert sich auf die Qualität der Interaktionen zwischen dem Publikum und der Organisation.

Diese Art der Analyse geht in der Regel von Texten wie Kommentaren und schriftlichen Rezensionen aus, um den Ton der Botschaften zu bestimmen und sie als negativ, neutral oder positiv einzustufen.

Die Sentimentanalyse, oft auch als Opinion Mining bezeichnet, hilft Unternehmen dabei, die Stimmung ihrer Kunden, ihre Vorlieben und ihre Zufriedenheit zu verstehen. Sie ist nützlich, um beispielsweise Feedback zu analysieren und Trends in sozialen Medien im Auge zu behalten.

Eine genaue Sentimentanalyse ist wichtig, da sie Unternehmen ein klareres Bild davon vermittelt, was ihre Kunden denken. Dies kann ihnen helfen:

• Erfahren Sie, was Kunden über Ihre Produkte, Ihre Marke oder Ihre Dienstleistungen denken.

• Kundenpräferenzen besser verstehen.

• Kundenzufriedenheit verfolgen.

• Verbessern Sie den Kundenservice anhand von Feedback.

Durch die Nutzung dieser Insights können Unternehmen ihr Markenimage stärken und ihre Kunden zufriedener machen.

Arten der Sentimentanalyse

Die Sentimentanalyse verwendet verschiedene Methoden, um den Text zu untersuchen und seine Emotionen zu bestimmen. Diese Techniken können einfach sein, wie beispielsweise die Entscheidung, ob ein Gefühl positiv oder negativ ist, oder detaillierter, um ein tieferes Verständnis der Emotionen im Text zu ermöglichen.

Diese Techniken führen oft zu Möglichkeiten, verschiedene Arten der Sentimentanalyse zu klassifizieren.

01. Fine-grained Sentimentanalyse

Die fine-grained Sentimentanalyse liefert eine detaillierte Bewertung der Stimmung. Sie umfasst in der Regel die Kategorien „sehr positiv“, „positiv“, „neutral“, „negativ“ und „sehr negativ“.

Eine fine-grained Sentimentanalyse ist nützlich für Kundenbewertungen, bei denen der Grad der Zufriedenheit oder Unzufriedenheit wichtig ist.

02. Aspect-based Sentimentanalyse

Die aspect-based Sentimentanalyse konzentriert sich auf die Identifizierung von Stimmungen zu bestimmten Aspekten oder Merkmalen eines Produkts oder einer Dienstleistung innerhalb des Textes, wie beispielsweise die Akkulaufzeit oder die Kameraqualität in einer Handybewertung.

Es kann Ihrem Unternehmen helfen, zu verstehen, welche Funktionen Kunden mögen oder nicht mögen.

03. Emotionserkennung

Die Emotionserkennung geht über positive, negative und neutrale Gefühle hinaus und identifiziert bestimmte Emotionen, die im Text zum Ausdruck kommen. Dazu gehören in der Regel Emotionen wie Freude, Traurigkeit, Wut, Angst, Überraschung und Ekel.

In der Überwachung sozialer Medien ist es wertvoll, emotionale Reaktionen auf Ereignisse, Kampagnen oder Marken zu messen.

04. Absichtsanalyse

Absichtsanalyse bestimmt die zugrunde liegende Absicht oder den Zweck einer Aussage. Dazu gehören Absichten wie Nachfragen, Beschwerden, Vorschläge und Komplimente.

05. Sarkasmuserkennung

Die Sarkasmuserkennung identifiziert und interpretiert sarkastische Kommentare, die oft fälschlicherweise als positive oder neutrale Äußerungen eingestuft werden. Sie nutzt fortschrittliche Techniken der natürlichen Sprachverarbeitung, um Sarkasmus zu erkennen.

Bedeutung der Sentimentanalyse

Die Sentimentanalyse spielt in der heutigen datengesteuerten Welt eine entscheidende Rolle. Sie liefert wichtige Insights in die öffentliche Meinung, das Kundenfeedback und Markttrends. Durch die systematische Analyse des emotionalen Tons von Textdaten bietet die Sentimentanalyse zahlreiche Vorteile in verschiedenen Bereichen.

• Die Sentimentanalyse hilft Unternehmen dabei, die Gefühle ihrer Kunden gegenüber ihren Produkten, Dienstleistungen oder Marken zu verstehen.

• Es hilft Unternehmen dabei, ihre Kundenservicestrategien zu verbessern.

• Die Sentimentanalyse liefert wertvolle Insights zu Markttrends und zur Leistung von Wettbewerbern.

• Unternehmen können Sentimentanalysen nutzen, um ihre Produkte und Dienstleistungen zu verbessern.

• Die Sentimentanalyse ist aufgrund der enormen Datenmengen, die auf Social-Media-Plattformen generiert werden, für die Echtzeitüberwachung und -reaktion von entscheidender Bedeutung.

• Die Sentimentanalyse kann die Patientenversorgung verbessern und die klinische Entscheidungsfindung unterstützen.

Wie funktioniert die Sentimentanalyse?

Die Sentimentanalyse ist ein detaillierter Prozess, der mehrere Schritte umfasst, um Emotionen in geschriebenen Texten zu finden, zu extrahieren und zu bewerten. Dabei kommen fortschrittliche Methoden der natürlichen Sprachverarbeitung (NLP), Textanalyse und des maschinellen Lernens zum Einsatz.

Hier eine einfache Erklärung, wie Sentimentanalyse funktioniert:

01. Textvorverarbeitung

Die Textvorverarbeitung ist der erste Schritt, bei dem Rohtextdaten bereinigt und für die Analyse vorbereitet werden.

• Tokenisierung: Teilt den Text in einzelne Wörter oder Tokens auf.

• Stoppwort-Entfernung: Entfernt häufig vorkommende Wörter, die keinen wesentlichen Beitrag zum Sinn leisten (z. B. „und“, „der“).

• Lemmatisierung/Stemming: Reduziert Wörter auf ihre Grundform oder Wurzelform (z. B. wird „running“ zu „run“)..

• Entfernen von Satzzeichen: Entfernt Satzzeichen, um den Text zu vereinfachen.

02. Merkmalsextraktion

In dieser Phase wird Text identifiziert und extrahiert, um ein strukturiertes Format zu erstellen, das für die Analyse geeignet ist.

• Bag of Words (BoW) stellt Text als eine Sammlung von Wörtern und deren Häufigkeiten dar.

• Term Frequency-Inverse Document Frequency (TF-IDF) gewichtet die Bedeutung eines Wortes anhand seiner Häufigkeit in einem Dokument im Verhältnis zu seiner Häufigkeit im gesamten Datensatz.

• Word Embeddings nutzt KI-Modelle, um Wörter in numerische Vektoren umzuwandeln, die semantische Bedeutungen erfassen.

03. Sentimentklassifizierung

In diesem Schritt wird die Stimmung des Textes mithilfe von maschinellem Lernen, Deep Learning und Sentimentanalyse-Modellen klassifiziert. Das Sentimentanalyse-Modell lernt aus den Trainingsdaten Muster, um neue Texte in vordefinierte Stimmungskategorien einzuteilen.

04. Stimmungsbewertung

Die Sentimentbewertung quantifiziert die im Text zum Ausdruck gebrachte Stimmung und liefert einen numerischen Wert, der die Intensität der Stimmung angibt.

• Polaritätswerte: Es werden Bewertungen vergeben, die positive, negative oder neutrale Stimmungen anzeigen.

• Emotionswerte: Es bewertet bestimmte Emotionen wie Freude, Wut, Traurigkeit usw.

05. Nachbearbeitung und Visualisierung

Die letzte Phase umfasst die Verfeinerung der Ergebnisse und ihre verständliche Präsentation.

• Aggregation: Fasst einzelne Stimmungswerte zusammen, um eine Gesamtstimmung für größere Textdatensätze zu liefern.

• Visualisierung: Verwendet Diagramme, Grafiken und Dashboards, um die Ergebnisse der Sentimentanalyse zur einfachen Interpretation darzustellen.

Vorteile der Sentimentanalyse

Die Sentimentanalyse hat in verschiedenen Bereichen viele Vorteile, beispielsweise beim Auffinden nützlicher Informationen im Text. Hier sind einige der wichtigsten Vorteile der Sentimentanalyse:

• Quantitative Analyse qualitativer Daten: Es ist schwierig, Emotionen, Gefühle oder Stimmungen aus fortgeschrittenen Fragetypen wie semantische Differenzskala, side-by-side Matrix, Flex-Matrix usw. Außerdem hilft der Net Promoter Score dabei, zu ermitteln, ob ein Kunde ein Promoter, passiv oder Kritiker. Allerdings geht sie nicht in die Tiefe und erfasst nicht die Gründe für die Erfahrungen der Kunden. Die Sentimentanalyse der Kundenkommentare kann dabei helfen, das „Warum“ hinter den Antworten zu verstehen.

• Messung der Customer Experience: Die Customer Experience lässt sich leichter verstehen, wenn man die Stimmung in den Antworten analysiert. Beispielsweise können Fluggesellschaften ein Tool zur Sentimentanalyse einsetzen, um das Feedback ihrer Passagiere zu sammeln und Verbesserungspotenziale zu identifizieren. Angenommen, einige der Befragten kommentierten: „Wir hatten eine tolle Reise, aber das Essen hätte besser sein können”. Das bedeutet, dass sie insgesamt eine gute Erfahrung gemacht haben, aber besseres Essen erwarten. Um bestehende Kunden zu binden, muss die Fluggesellschaft daher ihren Verpflegungsservice verbessern, da die Kunden sonst zu einer Konkurrenzfluggesellschaft wechseln könnten.

• Wettbewerbsanalyse: Mithilfe der Sentimentanalyse können Sie auch herausfinden, was die Menschen über Ihre Konkurrenten denken. Diese Wettbewerbsanalyse ermöglicht es Ihnen, Ihre Prioritäten neu zu bewerten und der Konkurrenz einen Schritt voraus zu sein.

• Identifizierung von Trends: Mit einer Sentimentanalyse können Sie frühzeitig Anzeichen für positive oder negative Ereignisse erkennen, bevor diese eintreten. Diese Hinweise können dem Managementteam dabei helfen, zukünftige Maßnahmen zu planen. Wenn die Anzahl negativer Bewertungen allmählich steigt, können Unternehmen Korrekturmaßnahmen ergreifen, bevor sich die Lage verschlechtert.

• Zeiteffizient: Anstatt komplexe numerische Berichte zu interpretieren, präsentiert die Sentimentanalyse Daten in Blasendiagrammen. Die Betrachtung visueller Diagramme spart im Vergleich zu statistischen Berichten viel Zeit. Außerdem werden die Sentimentwerte verschiedener Schlüsselbegriffe angezeigt und es besteht die Möglichkeit, einen Tag genauer zu untersuchen. Sie können auch den Anteil eines bestimmten Tags am gesamten Datensatz überprüfen.

• Einheitliche Standards: Emotionen sind subjektiv und variieren von Person zu Person. Emotionen in den Feedback-Umfragen werden in Zahlen und Grafiken dargestellt, was für Konsistenz sorgt. Dadurch sinkt die Wahrscheinlichkeit von Meinungsverschiedenheiten innerhalb des Teams und bei allen Marktforschungsprojekten.

• Echtzeitanalyse: Die Sentimentanalyse von Daten in Echtzeit ermöglicht es Entscheidungsträgern, schnell zu handeln und ihre Kundenbeziehungen zu verbessern. Sie schließt die Feedback Loop schnell und macht den Prozess der Datenerfassung und -verarbeitung dynamischer.

Beispiel für eine Sentimentanalyse

Marktforscher und PR-Agenturen nutzen Sentimentklassifizierung und -analyse während Wahlen. Daten aus vielen Quellen werden gesammelt und analysiert, um die allgemeine aktuelle Stimmung zu ermitteln. Sie analysieren die öffentliche Meinung, um zu verstehen, was die Menschen über Politiker denken.

Kurz vor den Wahlen führen politische Parteien, Medien, Berater und Studenten mehrere Umfragen und Meinungsumfragen. Die Menschen teilen ihre Sorgen, Bedürfnisse und Erwartungen mit, indem sie an Umfragen vor der Wahl teilnehmen. Parteien können ihre Gewinnchancen bei einer Wahl durch Sentimentanalysen und Meinungsumfragen prognostizieren.

Beispielsweise drücken Beiträge wie die folgenden die öffentliche Meinung und die wichtigsten Anliegen der Bürger aus.

„Ich finde Bernies Arbeit großartig! Wählt die Demokraten!“

„Die wichtigsten Themen bei den #US-Wahlen werden #Gesundheitswesen und #StopGunViolence sein.“

Basierend auf der Analyse des Social-Media-Monitorings und den Umfrageantworten können Parteien ihre zukünftigen Strategien formulieren. Führungskräfte können die Stimmen der Menschen ungefiltert hören und entsprechend handeln.

Viele Digital-Marketing- und PR-Agenturen nutzen die Sentiment-Analyse von Twitter-Daten, um die Markenbekanntheit zu messen. Sie können alle Daten mit #YourBrand extrahieren und die verwendeten Wörter analysieren, mit denen Emotionen und Erfahrungen ausgedrückt werden.

Beispiele für Filter in der Sentiment-Analyse:

• Beispiele für positive Stimmung: Gut, mögen, ausgezeichnet und empfehlen.

• Beispiele für neutrale Stimmung: Kann ich nicht sagen, weiß nicht, vielleicht.

• Beispiele für negative Stimmung: Enttäuscht, verbesserungswürdig, mochte ich nicht, würde ich nicht empfehlen.

Anwendungsbereiche der Sentimentanalyse

Die Sentimentanalyse ist in vielen verschiedenen Branchen nützlich, da sie hilft, Texte zu verstehen und daraus Erkenntnisse zu gewinnen. Hier sind einige der häufigsten Anwendungsfälle, in denen diese Art der Analyse typischerweise eingesetzt wird:

• Umfragen: Sentimentanalyse in Voice-of-Customer-Umfragen, um Bewertungen, Vorschläge, Bedenken und Beschwerden zu verstehen. Basierend auf Textanalysen klassifizieren Sentimentanalyse-Tools Antworten als positive, neutrale oder negative Stimmung.

• Analyse von Daten aus sozialen Medien: Menschen reagieren häufig auf Ereignisse oder Nachrichtenartikel in sozialen Medien. Ihre Beiträge können genutzt werden, um ihre Reaktionen auf Ereignisse oder den Hype bestimmter Marketingkampagnen zu verstehen. Auf Basis dieser Analyse kann eine Strategie entwickelt werden, um Menschen besser zu erreichen und ihre Erfahrungen zu verbessern.

• Reputationsmanagement: PR-Agenturen nutzen Sentimentanalyse-Tools, um den Ruf ihrer Kunden auf öffentlichen Plattformen zu verwalten. Sobald negative Kommentare identifiziert werden, kann man schnell auf Follower reagieren und die Situation unter Kontrolle halten. Das Fehlen einer schnellen Identifikation und Reaktion kann sich negativ auf die Unternehmensreputation auswirken.

• Personalisierte Vermarktung: Marketing auf Basis von Online-Sentimentanalyse kann genutzt werden, um personalisierte Produkte, Dienstleistungen und Rabatte anzubieten, die auf Zielgruppen zugeschnitten sind, und so die Chancen auf eine Conversion zu erhöhen.

• Absatzprognose: Die Sentimentanalyse von Antworten auf offene Fragen kann bei der Absatzprognose und der Entwicklung zukünftiger Strategien helfen. Auf Basis des Feedbacks können Organisationen die Wahrscheinlichkeit abschätzen, dass bestehende Kunden ihre Verträge verlängern.

Erkenntnisse in Maßnahmen umsetzen mit KI-gestützter Sentimentanalyse

KI-gestützte Sentimentanalyse verändert die Art und Weise, wie Unternehmen mit Daten arbeiten. Mit Technologien wie NLP und maschinellem Lernen können Unternehmen riesige Mengen an Textdaten analysieren und daraus umsetzbare Erkenntnisse gewinnen. So funktioniert es:

1. Verbesserung von Kundensupport und Personalisierung

KI erkennt Emotionen im Kundenfeedback – z. B. aus Bewertungen, Supportanfragen oder Social Media. So können Unternehmen besser reagieren:

• Kundenschmerzpunkte identifizieren und schneller lösen.

• KI-Chatbots antworten emotional passend zur Stimmung der Kunden.

Das führt zu besserem Support und stärkeren Kundenbeziehungen.

2. Verbesserung von Produkten und Dienstleistungen

Die Sentimentanalyse zeigt, was Kundinnen und Kunden an einem Produkt mögen oder nicht mögen. Zum Beispiel:

• Nutzer lieben das Design der App, hassen aber die Ladegeschwindigkeit.

• Entwickler können gezielt die wichtigsten Probleme beheben, um die Nutzerzufriedenheit zu steigern.

Das verbessert Produkte und stärkt die Kundenbindung.

3. Der Konkurrenz immer einen Schritt voraus

KI ermöglicht es Unternehmen, Stimmungen auf Social Media, Foren und Nachrichtenseiten zu beobachten. Mit RNN- und LSTM-Modellen können Unternehmen:

• Veränderungen im Kundenverhalten frühzeitig erkennen.

• Angebote an die Marktnachfrage anpassen, um wettbewerbsfähig zu bleiben.

So bleiben Unternehmen relevant.

4. Eine starke Marke aufbauen

Die Kundenwahrnehmung ist entscheidend für den Erfolg einer Marke. KI-gestützte Sentimentanalyse hilft dabei:

• Bewertungen, Umfragen und Gespräche analysieren, um ein vollständiges Bild zu erhalten.

• Sicherstellen, dass die Markenbotschaft bei der Zielgruppe ankommt.

So wird die Lücke zwischen Wahrnehmung und Realität geschlossen – und stärkere Kundenbeziehungen entstehen.

5. Mitarbeiterzufriedenheit steigern

KI ist nicht nur für Kundenfeedback nützlich – auch für Mitarbeitende. Durch die Analyse von Umfrageantworten und Leistungsbeurteilungen können Unternehmen:

• Unzufriedenheit von Mitarbeitenden erkennen.

• Maßnahmen zur Steigerung von Motivation und Produktivität ergreifen.

Das schafft ein Gleichgewicht zwischen Kunden- und Mitarbeiterzufriedenheit.

KI-gestützte Sentimentanalyse dreht sich darum, Erkenntnisse in Handlungen zu übersetzen. Sie hilft Unternehmen dabei, bessere Kundenerlebnisse, Produkte und Innovationen zu liefern. Durch die Umsetzung dieser Erkenntnisse können Unternehmen wachsen, vorausdenken und langfristig erfolgreich sein.

Sentimentanalyse von Umfragedaten

Mit der Sentimentanalyse können Unternehmen die zugrunde liegende Stimmung in dem erkennen, was ihre Kundinnen und Kunden über sie sagen. Aufgrund der Fähigkeit, Text mithilfe von künstlicher Intelligenz und maschinellen Lernverfahren zu verstehen, wird die Sentimentanalyse häufig in der Marktforschung eingesetzt. Viele Softwarelösungen sammeln „Basisdaten“ aus Quellen wie sozialen Medien, Dokumenten, Umfragen usw. und analysieren die enthaltenen Emotionen. Sentimentanalyse-Tools bieten eine visuelle Möglichkeit, Gefühle zu erfassen und so qualitative Daten in quantitative Daten umzuwandeln.

Die Sentimentanalyse von Umfrageantworten basiert auf zwei Faktoren:

• Subjektivität: Persönliche Gefühle, Meinungen oder Erfahrungen, die von Person zu Person unterschiedlich sein können.

• Intensität: Der Grad oder das Ausmaß der Emotionen – von positiv bis negativ.

NLP, regelbasierte Textanalyse und Sentimentanalyse-Algorithmen verarbeiten alle Eingabedaten und erzeugen ein visuelles Diagramm – bekannt als Blasendiagramm –, das verschiedene Stimmungen klassifiziert. Positive Stimmungen werden grün, neutrale gelb und negative rot dargestellt.

Die Blasen enthalten Datenfilter im Zentrum, was es dem Ersteller der Umfrage erleichtert, die Ergebnisse zu analysieren. Schon auf einen Blick kann man erkennen, ob die Teilnehmenden eine gute oder schlechte Erfahrung mit dem Unternehmen gemacht haben. Das Wissensdiagramm zur Sentimentanalyse zeigt außerdem den Prozentsatz der Befragten und die Art ihrer Erfahrung.

Wenn Kundinnen und Kunden unzufrieden sind, äußern sie ihren Unmut über Feedback-Formulare oder Kundenumfragen. Eine Kundenzufriedenheitsumfrage enthält sowohl geschlossene Fragen, wie Multiple-Choice-Fragen, als auch offene Fragen. Manchmal reichen die vorgegebenen Antwortmöglichkeiten nicht aus, um Erfahrungen, Meinungen oder Feedback mitzuteilen. In solchen Fällen verwenden Umfrageersteller offene Fragen, um detailliertes Feedback zu erhalten.

Die Antworten auf offene Fragen sind textbasiert und qualitativ. Es ist nicht praktikabel, eine große Anzahl solcher Antworten manuell auszuwerten. Mithilfe von Textanalyse und Deep-Learning-Verfahren lässt sich jedoch die Stimmung in Textantworten leicht erkennen.

Wenn in den Antworten zu viele negative Begriffe vorkommen, können Unternehmen gezielte Maßnahmen ergreifen, um auf die Anliegen zu reagieren. Die Sentimentanalyse von Umfrageantworten kann helfen, Fragen wie diese zu beantworten:

• Was mögen unsere Kundinnen und Kunden an unseren Produkten und Dienstleistungen?

• Was gefällt ihnen nicht an unseren Produkten und Dienstleistungen?

• Erhalten wir in letzter Zeit zu viele negative Rückmeldungen?

• Hat sich die Anzahl negativer Rückmeldungen im Laufe der Zeit erhöht?

• Welches Markenprodukt hat die meisten positiven Rückmeldungen erhalten?

• Sind die Zahlen für positive, neutrale und negative Rückmeldungen im Vergleich zum letzten Quartal stabil geblieben?

• Gibt es eine Verschiebung im Grad positiver oder negativer Rückmeldungen?

Durch die Analyse der Stimmung in den Antworten auf diese Fragen können Unternehmen beurteilen, ob sie sich in die richtige Richtung bewegen. Außerdem hilft es, den Kundenzufriedenheitsgrad zu messen und die Abwanderungsrate zu reduzieren.

Mit der QuestionPro-Plattform können Sie die Funktion zur Sentimentanalyse nutzen, um Kommentare zu taggen und nach Stimmung zu sortieren. Mithilfe von Datenfiltern können Sie gezielt Begriffe aus den Antworten auswählen.

Wie verwendet man das Sentimentanalyse-Tool von QuestionPro?

Die Sentimentanalyse-Funktion von QuestionPro nutzt Natural Language Processing, Textanalyse und computerlinguistische Verfahren, um systematisch Stimmung und emotionale Töne in Umfrageantworten zu erkennen, zu extrahieren und zu analysieren. Dieses Tool wird häufig verwendet, um Kundenfeedback zu verstehen, Marketingstrategien zu verbessern und den Kundenservice zu optimieren.

1. Zugriff auf die Sentimentanalyse

Um die Sentimentanalyse zu nutzen, musst du den entsprechenden Bereich in deinem QuestionPro-Konto aufrufen.

• Melde dich bei deinem QuestionPro-Konto an.

• Navigiere zu deiner Umfrage.

• Gehe zum Bereich „Analytics“.

• Klicke auf das Symbol „Textanalyse“.

• Wähle „Sentimentanalyse“ aus dem Dropdown-Menü.

2. Erstellen eines neuen Sentimentanalyse-Berichts

Das Erstellen eines neuen Sentimentanalyse-Berichts ermöglicht dir die Analyse der emotionalen Inhalte deiner Umfrageantworten.

• Klicke auf die Schaltfläche „+ Neuer Sentimentanalyse-Bericht“.

• Vergib einen Namen für deinen Bericht.

• Wähle die passende Umfragefrage aus dem Dropdown-Menü.

• Optional: Wende einen Datenfilter an, wenn du die Antworten filtern möchtest.

• Klicke auf „Credits verwenden und Bericht erstellen“, um den Bericht zu generieren.

Hinweis: Die erforderlichen Credits werden vom Global Credit-Konto deiner Organisation abgezogen.

3. Bericht anzeigen und interpretieren

Sobald der Bericht erstellt ist, kannst du die Daten einsehen und auswerten, um Erkenntnisse zu gewinnen.

• Finde den generierten Bericht in der Berichtsübersicht.

• Klicke auf den Berichtsnamen, um ihn zu öffnen.

• Sieh dir das Blasendiagramm mit den Top-10-Tags zur ausgewählten Frage an.

• Klicke auf ein Tag im Diagramm, um die Ursache des Problems zu untersuchen.

Hinweis: Zur Genauigkeit wird die Sentimentanalyse nur auf Textabschnitte mit zehn oder mehr Wörtern angewendet.

4. Bericht teilen

Durch das Teilen des Sentimentanalyse-Berichts können Kolleginnen, Kollegen und Stakeholder die gewonnenen Erkenntnisse einsehen.

• Ein teilbarer Link zum Bericht befindet sich oben rechts im Bericht.

• Nutze diesen Link, um den Bericht zu teilen.

5. Berichte zusammenführen

Du kannst mehrere Sentimentanalyse-Berichte kombinieren, um eine umfassendere Sicht auf die Daten zu erhalten.

• Wähle die Berichte aus, die du zusammenführen möchtest.

• Klicke auf den Link „Berichte zusammenführen“.

• Vergib einen Namen für den zusammengeführten Bericht.

• Klicke auf die Schaltfläche „Berichte zusammenführen“.

Hinweis: Du kannst bis zu fünf Berichte zusammenführen. Bereits zusammengeführte Berichte können nicht erneut zusammengeführt werden.

6. Getaggte Daten exportieren

Durch das Exportieren der getaggten Daten kannst du die Informationen offline weiterverarbeiten und analysieren.

• Klicke auf das Excel-Symbol oben rechts, um die getaggten Daten herunterzuladen.

Die exportierten Daten enthalten:

• Thema: Tags/Themen mit Antwortanzahl, Stimmung und Sentiment-Score.

• Rohdaten: Antwort-ID, Antwort zur ausgewählten Frage, Thema, Stimmung und Sentiment-Score je Antwort.

Wenn du diese Schritte befolgst, kannst du das Sentimentanalyse-Tool von QuestionPro effektiv nutzen, um wertvolle Erkenntnisse aus Umfrageantworten zu gewinnen und fundierte Entscheidungen zu treffen.

Wie kannst du Sentimentanalyse in deinen Umfragen einsetzen?

Lerne, wie du diese Funktion einrichtest und verwendest – mit unserer Hilfedatei zur Sentimentanalyse.